在很多实际问题中,例如经济、管理、军事、科学和工程设计等领域都会涉及到优化问题,但是实际中遇到的许多科学、工程和经济问题呈复杂化、多极化、非线性、强约束、建模困难等特点,这就使人们对科学技术提出了新的和更高的要求,其中对高效的优化技术和智能计算的要求尤为迫切。粒子群优化算法是源于对鸟群捕食行为的研究而发展的一种智能寻优算法,该方法尤其适用于处理传统搜索方法解决不了的复杂和非线性问题。与遗传算法类似的粒子群算法是一种基于群体的优化工具,系统初始化为一组随机解,通过迭代搜寻最优值。但是粒子群算法并没有遗传算法用的交叉以及变异操作,而是粒子(潜在的解)在解的共建过程中追随最优的粒子进行搜索。因此,粒子群算法一经提出,就受到各国学者的关注,并形成一个研究热点。本文在阅读了大量有关粒子群算法的文献的基础上,对标准的粒子群算法研究和分析。在对前人成果的研究的基础上,找出了粒子群算法存在的缺陷即早熟和易收敛,并针对这两个问题提出了解决的方法。通过上述的研究,提出了两种改进的粒子群算法。第一：对粒子群的拓扑模型进行研究。提出了一种核心主子群粒子群优化算法,并在此基础上,提出了双层局部模式算法,将此算法应用到核心主子群的粒子群优化算法中。增加了粒子的多样性。第二：对粒子群算法的速度更新公式进行改进,加入了局部最佳粒子的参考学习机制,使得粒子的参考学习因子由原来的2个增加到现在的3个。并将核心主子群粒子群优化算法与公式改进的粒子群算法相融合。最后在算法编程实现上引入了JAVA的多线程编程机制,在一定程度上改善了算法的时间效率。为了验证算法的有效性,将改进的算法应用到求解非线性方程组中,并取得了较好的实验效果。